System Identification Toolbox

AGGIORNAMENTO IMPORTANTE

 

System Identification Toolbox

Creazione di modelli di sistemi dinamici lineari e non lineari a partire da dati di input e output

System Identification Toolbox™ mette a disposizione funzioni MATLAB® , blocchi Simulink® e un’app per la modellazione di sistemi dinamici, l’analisi di serie storiche e la realizzazione di previsioni. È possibile scoprire i rapporti dinamici tra variabili misurate per creare funzioni di trasferimento, modelli di processo e modelli nello spazio degli stati, nel tempo continuo o discreto utilizzando dati nel dominio del tempo o della frequenza. È possibile prevedere serie storiche con AR, ARMA e altre tecniche di modellazione autoregressiva lineare e non lineare.

Il toolbox consente di stimare la dinamica di sistemi non lineari usando modelli Hammerstein-Wiener e ARX non lineari con le tecniche di Machine Learning come i processi gaussiani (GP), le macchine a vettori di supporto (SVM, dall’inglese support vector machine) e altre rappresentazioni. In alternativa, è possibile creare modelli di equazioni differenziali ordinarie (ODE) neurali usando il Deep Learning per catturare la dinamica di sistemi non lineari. Il toolbox consente di eseguire l’identificazione di sistemi grey-box per la stima dei parametri di un modello definito dall’utente. È possibile integrare i modelli identificati in Simulink per effettuare simulazioni rapide in modo da abilitare applicazioni per la progettazione dei sistemi di controllo e di diagnostica e prognostica.

È possibile effettuare una stima degli stati e dei parametri online usando filtri di Kalman estesi o unscented e filtri particellari per applicazioni di controllo adattivo, rilevamento guasti e soft sensing. Il toolbox consente di generare codice C/C++ per algoritmi di stima online per specifici dispositivi embedded.

App System Identification

Usa l’app System Identification per stimare in modo interattivo modelli lineari e non lineari del tuo sistema. Importa e pre-elabora dati nel dominio del tempo e della frequenza. Identifica e confronta i modelli, analizzane le proprietà e convalidali rispetto a set di dati di test.

Identificazione di sistemi lineari

Stima modelli lineari a partire da dati misurati nel dominio del tempo e della frequenza per applicazioni quali la progettazione di sistemi di controllo, la simulazione di sistemi e la realizzazione di previsioni. Crea funzioni di trasferimento, modelli di processo, modelli nello spazio degli stati e modelli polinomiali nel tempo continuo o discreto. Stima i modelli di risposta in frequenza usando l’analisi spettrale. Calcola e visualizza l’effetto delle incertezze dei parametri sulla risposta del modello nel dominio del tempo e in quello della frequenza.

Identificazione di sistemi non lineari

Stima modelli Hammerstein-Wiener e ARX non lineari per catturare la dinamica non lineare del tuo modello. Usa i modelli ARX non lineari per combinare modelli autoregressivi con non linearità dinamiche rappresentate tramite una rete wavelet, di partizione ad albero e sigmoidea. In più, specifica i regressori per acquisire la fisica del tuo sistema oppure seleziona automaticamente un sottogruppo ottimale di regressori per i modelli ARX non lineari. Usa i modelli Hammerstein-Wiener per stimare le non linearità di input e output di un sistema altrimenti lineare.

Identificazione di sistemi non lineari basati sull’IA

Combina tecniche di Machine Learning e Deep Learning con i modelli Hammerstein-Wiener e ARX non lineari per descrivere la dinamica non lineare del tuo sistema. Con Statistics and Machine Learning Toolbox™ e Deep Learning Toolbox™, usa le macchine a vettori di supporto (SVM, dall’inglese support vector machine), gli insiemi di alberi, i processi gaussiani e le reti di feedforwarding per rappresentare le non linearità. In più, crea modelli nello spazio degli stati non lineari basati sul Deep Learning usando ODE neurali.

Identificazione di sistemi grey-box

Modella il tuo sistema utilizzando equazioni differenziali lineari e non lineari, equazioni alle differenze o un sistema nello spazio degli stati. Stima parametri specifici del tuo modello grey-box a partire da dati di input-output misurati per catturare la dinamica del tuo sistema.

Modelli di serie storiche

Stima i modelli di serie storiche o di segnali in modo che si adattino ai dati misurati dal tuo sistema. Fai previsioni sulle serie storiche usando modelli lineari come i modelli AR, ARMA, ARIMA e nello spazio degli stati oppure usando modelli non lineari come ARX non lineare.

Stima online

Stima un modello del tuo sistema in tempo reale utilizzando algoritmi ricorsivi in grado di aggiornare i parametri del modello man mano che nuovi dati diventano disponibili. Stima gli stati del sistema utilizzando i filtri di Kalman lineari, estesi o unscented oltre ai filtri particellari.

Progettazione di sistemi di controllo e Simulink

Usa i modelli stimati come modelli d’impianto per progettare e regolare i controller con Control System Toolbox™. Implementa modelli stimati, stimatori di stato e modelli ricorsivi in Simulink usando i blocchi integrati per l’analisi dei sistemi, la modellazione di sensori virtuali, la modellazione di ordine ridotto e la progettazione di sistemi di controllo.

Distribuzione

Usa la generazione di codice per distribuire i modelli stimati, gli stimatori di stato e i modelli ricorsivi per applicazioni quali il rilevamento guasti online, la modellazione di ordine ridotto (ROM) e la diagnostica e prognostica. Genera codice C/C++ e testo strutturato conforme a IEC 61131-3 usando rispettivamente Simulink Coder™ e Simulink PLC Coder™ per i modelli implementati in Simulink. Usa MATLAB Coder™ per generare codice C/C++ in MATLAB. In alternativa, usa MATLAB Compiler™ per generare applicazioni standalone.

“Migliorando le prestazioni del nostro sistema di controllo esistente dell’AFR con Optimization Toolbox e System Identification Toolbox, abbiamo potuto ridurre in modo considerevole la produzione di gas di scarico. Nell’ambito del nostro studio di valutazione di sviluppo su un motore in fase di sviluppo, abbiamo riscontrato che, in determinate condizioni, le emissioni di NOx e CO si riducevano come minimo della metà.”

Hiroshi Katoh, Nissan Motor Corporation